softmax回归本身比较易懂,其公式是:![softmax](https://img-blog.csdnimg.cn/20200214195304159.png)
- 主要作用我理解是通过取百分比,来做成了一个标准化的概率分布。下面对softmax函数做一个实现,本地用简单python实现了一遍,主要是做下课后题,代码如下:
import math
def softmax(a, b , c):
sum = math.exp(a) +math.exp(b) +math.exp(c)
i = math.exp(a) / sum
j = math.exp(b) / sum
k = math.exp(c) / sum
return i, j, k
n = softmax(100, 101, 102)
print(n)
n1 = softmax(-2, -1, 0)
print(n1)
有个问题是我顺便验证abc=1000,1010,1020时报错,查网上的别人的博客改为.0后还是报错,看起来是数字溢出了。
然后用pytorch实现如下:
def softmax(X):
X_exp = X.exp()
partition = X_exp.sum(dim=1, keepdim=True)
return X_exp / partition
X = torch.rand((2, 5))
X_prob = softmax(X)
print(X_prob, X_prob.sum(dim=1))
def net(X):
return softmax(torch.mm(X.view((-1, num_inputs)), W)+ b)
y_hat = torch.tensor([[0.1, 0.3, 0.6], [0.3, 0.2, 0.5]])
y = torch.LongTensor([0, 2])
y_hat.gather(1, y.view(-1, 1))
def evaluate_accuracy(data_iter, net):
acc_sum, n = 0.0, 0
for X, y in data_iter:
acc_sum += (net(X).argmax(dim=1) == y).float().sum().item()
n += y.shape[0]
return acc_sum / n
print(evaluate_accuracy(test_iter, net))
- 定义一个softmax函数,
定义一个网络和准确度显示,
最后使用d2l提供的train_ch3来训练模型,
得到和原文差不多,需要注意的是复习了python的广播机制和交叉熵的推导,在知乎上找了一篇交叉熵和相对熵的文章,基本搞懂了。